基于多邻接图与多头注意力机制的短期交通流量预测_尹恒.pdf

h t t p:/ww w.j s j k x.c o mD O I:1 0.1 1 8 9 6/j s j k x.2 2 0 2 0 0 0 7 9到稿日期:2 0 2 2-0 2-1 6 返修日期:2 0 2 2-0 9-0 5基金项目:国家自然科学基金(6 1 7 7 3 3 2 4);四川省重点研发项目(2 0 2 0 Y F G 0 0 3 5)T h i sw o r k w a s s u p p o r t e d b y t h e N a t i o n a l N a t u r a l S c i e n c e F o u n d a t i o n o f C h i n a(6 1 7 7 3 3 2 4)a n d S i c h u a n K e y R&D P r o j e c t,C h i n a(2 0 2 0 Y F G 0 0 3 5).通信作者:张凡(f a n.z h a n g s w j t u.e d u.c n)基于多邻接图与多头注意力机制的短期交通流量预测尹 恒1张 凡1,2李天瑞1,2,31西南交通大学计算机与人工智能学院 成都6 1 1 7 5 62四川省制造业产业链协同与信息化支撑技术重点实验室 成都6 1 1 7 5 63综合交通大数据应用技术国家工程实验室 成都6 1 1 7 5 6(y i n h e n g 7 1 4 9 9 51 6 3.c o m)摘 要 交通流预测在智慧城市系统中占有重要地位,是许多交通方向应用的基石。该任务的难点在于如何有效地建模交通流的时空依赖。现有方法大都使用图卷积网络(G r a p hC o n v o l u t i o nN e t w o r k s,G C N)建模空间关系,使用卷积神经网络网络(C o n v o l u t i o nN e u r a lN e t w o r k,C NN)或者循环神经网络(R e c u r r e n tN e u r a lN e t w o r k,R NN)建模时间关系,但在建模空间关系时往往只利用邻接矩阵建模了局部关系而忽略了全局空间信息。而在整个路网中存在一些道路,其周围的路网结构相似,这些道路在路网中承载的作用是相似的,这些相似道路的特征也可以作为流量预测的依据。因此,提出一种基于多邻接图与多头注意力机制的时空网络模型MA-S T G C N,包括:1)利用n o d e 2 v e c算法计算路网中道路的向量表示,通过阈值计算出相似矩阵用于图卷积操作,抽取全局空间信息;2)利用多通道自注意力机制深入挖掘模型的时空特征。在公开数据集P EM S 0 4与P EM S 0 8上进行的实验验证了该模型的有效性,其准确率与主流的模型相比均有提高。关键词:交通流预测;空洞卷积;时空网络;注意力机制;节点嵌入中图法分类号 T P 3 9 1 S h o r t-t i m eT r a f f i cF l o wF o r e c a s t i n gB a s e do nM u l t i-a d j a c e n tG r a p ha n dM u l t i-h e a dA t t e n t i o nM e c h a n i s mY I N H e n g1,Z HANGF a n1,2a n dL IT i a n r u i1,2,31S c h o o l o fC o m p u t i n ga n dA r t i f i c i a l I n t e l l i g e n c e,S o u t h w e s t J i a o t o n gU n i v e r s i t y,C h e n g d u6 1 1 7 5 6,C h i n a2M a n u f a c t u r i n g I n d u s t r yC h a i n sC o l l a b o r a t i o na n d I n f o r m a t i o nS u p p o r tT e c h n o l o g yK e yL a b o r a t o r yo f S i c h u a nP r o v i n c e,C h e n g d u6 1 1 7 5 6,C h i n a3N a t i o n a lE n g i n e e r i n gL a b o r a t o r yo f I n t e g r a t e dT r a n s p o r t a t i o nB i gD a t aA p p l i c a t i o nT e c h n o l o g y,C h e n g d u6 1 1 7 5 6,C h i n a A b s t r a c t T r a f f i c f l o wf o r e c a s t i n g i s t h e c o r n e r s t o n e o fm a n ya p p l i c a t i o n s i n t r a n s p o r t a t i o nw h i c hh a s ag r e a t i m p o r t a n c e i ns m a r tc i t ys y s t e m.T h ed i f f i c u l t yo f t h i s t a s k i sh o wt oe f f e c t i v e l ym o d e l t h e t e m p o r a l a n ds p a t i a l d e p e n d e n c e.E x i s t i n gm e t h o d su s u a l l yu s eGNNt om o d e l t e m p o r a l c o r r e l a t i o na n dC NNo rR NNt om o d e l t e m p o r a l c o r r e l a t i o n.W h e nm o d e l i n gt h es p a t i a l c o r r e l a t i o n,o n l yt h ea d j a c e n c ym a t r i xi sa p p l i e dt om o d e l l o c a lr e l a t i o n s h i p sw h i l ei g n o r i n gg l o b a ls p a t i a l i n f o r m a t i o n.H o w e v e r,t h e r ea r es o m er o a d s i nt h ee n t i r er o a dn e t w o r kw h o s es u r r o u n d i n gs t r u c t u r e sa r es i m i l a r,a n dt h e s er o a d sc a r r ys i m i l a rf u n c t i o n si nt h er o a dn e t w o r k.T h e r e f o r e,t h ec h a r a c t e r i s t i c so f t h e s es i m i l a r r o a d sc a na l s ob eu s e da st h eb a s i s f o r t r a f f i cp r e d i c t i o n.T h i sp a p e rp r o p o s e sat r a f f i c f l o wf o r e c a s t i n gm o d e lb a s e do nm u l t i-a d j a c e n tm a t r i xa n dm u l t i-h e a da t t e n t i o nm e c h a n i s m.I t i n c l u d e s:1)t h en o d e 2 v e ca l g o r i t h mi sa p p l i e d t o c a l c u l a t e t h e v e c t o r r e p r e s e n t a t i o no f t h e r o a d i n r o a dn e t w o r k,a n d t h e s i m i l a r i t ym a t r i x i s c a l c u-l a t e dt h r o u g ht h e t h r e s h o l df o rg r a p hc o n v o l u t i o no p e r a t i o nt oe x t r a c tg l o b a l s p a t i a l i n f o r m a t i o n;2)t h em u l t i-c h a n n e l s e l f-a t t e n-t i o nm e c h a n i s mi su s e dt om i n et h es p a t i a la n dt e m p o r a lf e a t u r e so ft h em o d e l.E x p e r i m e n t so np u b l i cd a t a s e t sP EM S 0 4a n dP EM S 0 8d e m o n s t r a t e t h ep r o p o s e dm o d e lse f f e c t i v e n e s s.I t sa c c u r a c y i s i m p r o v e dc o m p a r e dw i t ht h em a i n s t r e a m m o d e l s.K e y w o r d s T r a f f i c f o r e c a s t i n g,D i l a t e dc o n v o l u t i o n,S p a t i a l-T e m p o r a ln e t w o r k,A t t e n t i o nm e c h a n i s m,N o d ee m b e d d i n g 1 引言随着城市化进程的不断推进与经济的高速发展,交通拥堵的负面影响也越来越大,会造成严重的经济损失。通过建立有效的交通流量预测模型,可以提前预知路况,通过交通管控缓解道路拥堵,同时为行程规划、地区功能划分等上层任务提供基础,更好地服务于智慧城市的建设。城市中路网复杂且车流量较大,同时车流数据具有高度的时空相关性。首先,在空间上来说,道路相互连接,车流只能通过相连接的道路进行流动,因此一个路段在某一时刻的流量势必会在后面的时刻对周围路段的流量造成影响;其次,道路流量是时间序列数据,具有明显的时间相关性,同一路段的连续几个时间片的数据会对后面的流量数据造成影响。近来有许多工作通过图神经网络建模空间信息并取得了良好的效果,但是这些工作单纯地使用原始邻接矩阵进行图卷积,只利用到了局部空间信息,而忽略了全局信息。在整个路网中,存在一些局部结构相似的路段,它们在路网中所承担的功能也是相似的,一段时间内这些路段的交通流量趋势应当是相似的,因此可以引入其他相似路段的信息来辅助预测道路未来的流量。据此,本文提出一种基于多邻接矩阵进行时空卷积的神经网络预测模型MA-S T G C N。首先,通过图嵌入算法构造包含路网空间信息的路段编码,并计算出自适应的邻接矩阵,进一步辅助原始邻接矩阵参与图卷积计算,从而抽取到更加丰富的空间特征;然后,将卷积神经网络与多头时